受约束生成建模的逻辑引导向量场
机器学习
2026-05-26 v2
摘要
神经符号系统旨在结合符号逻辑的表征结构与神经学习的灵活性;然而，生成模型通常缺乏在生成时强制声明性约束的机制。我们提出了逻辑引导向量场 (LGVF)，这是一种神经符号框架，将符号知识（指定为逻辑约束的可微 relaxations）注入流匹配生成模型中。LGVF 耦合了两种互补机制：(1) 一种训练时逻辑损失，对沿连续流轨迹的约束违规进行惩罚，权重在接近目标分布时更强调正确性; (2) 一种推理时调整，通过约束梯度引导采样，作为对学习动力学的轻量级、受逻辑信息驱动的校正。我们在三个受约束生成案例研究中评估了 LGVF，涵盖线性、非线性和多区域可行性约束。在所有设置下，LGVF 将约束违规降低了 59-82%，并在每个案例中实现最低的违规率。在线性和环形设置中，LGVF 还通过 MMD 提升了分布保真度;而在多障碍设置中，我们观察到可行性与保真度之间的权衡，实现了更好的可行性但增加了 MMD。除了定量提升之外，LGVF 还产生了表现出突出障碍规避行为的约束感知向量场，无需显式路径规划即可将样本绕道禁止区域。
引用
@article{arxiv.2602.02009,
title = {Logic-Guided Vector Fields for Constrained Generative Modeling},
author = {Ali Baheri},
journal= {arXiv preprint arXiv:2602.02009},
year = {2026}
}